使用KerasClassifier封装模型报错：Sequential模型未定义输出，求解决方案

这个错误的核心是你的Keras Sequential模型处于未构建状态，导致Scikeras在验证模型兼容性时无法获取模型输出。具体原因有两点：

1. 你的模型依赖硬编码的X_train.shape[1]作为Embedding层的input_length，但Scikeras的KerasClassifier在初始化阶段（还未执行fit）不会传入实际数据触发模型构建，模型始终处于"未初始化"状态（从summary里的0 (unbuilt)参数也能看出）。
2. 新版Keras（3.x及以上）对模型构建的要求更严格，必须显式指定输入形状或通过数据触发构建，旧版本自动构建的逻辑已被调整。

以下三种方案任选其一即可：

方案一：让模型接收动态输入形状参数（推荐） #

修改模型创建函数，让Scikeras自动传递输入形状，避免硬编码依赖全局变量：

def create_model(embed_dim=16, hidden_unit=16, dropout_rate=0.2, optimizers=Adam, learning_rate=0.001, input_shape=None):
    model = Sequential()
    # 从参数获取输入长度，替代硬编码的X_train.shape[1]
    model.add(Embedding(input_dim=max_features, output_dim=embed_dim, input_length=input_shape[0]))
    model.add(LSTM(units=hidden_unit, activation='tanh'))
    model.add(Dropout(dropout_rate))
    model.add(Dense(units=3, activation='softmax'))
    model.compile(loss='sparse_categorical_crossentropy', optimizer=optimizers(learning_rate=learning_rate), metrics=['accuracy'])
    print(model.summary())
    return model

封装代码无需修改，Scikeras会自动根据X_train的形状传递input_shape参数：

model = KerasClassifier(model=create_model,
                        dropout_rate=0.2,
                        embed_dim=32,
                        hidden_unit=16,
                        optimizers=Adam,
                        learning_rate=0.001,
                        epochs=25,
                        batch_size=128,
                        validation_split=0.1)
model_prediction = model.fit(X_train, y_train)

方案二：显式构建模型 #

在模型创建后手动调用build方法，强制完成模型初始化：

def create_model(embed_dim=16, hidden_unit=16, dropout_rate=0.2, optimizers=Adam, learning_rate=0.001):
    model = Sequential()
    model.add(Embedding(input_dim=max_features, output_dim=embed_dim, input_length=X_train.shape[1]))
    model.add(LSTM(units=hidden_unit, activation='tanh'))
    model.add(Dropout(dropout_rate))
    model.add(Dense(units=3, activation='softmax'))
    # 显式指定输入形状，触发模型构建
    model.build((None, X_train.shape[1]))
    model.compile(loss='sparse_categorical_crossentropy', optimizer=optimizers(learning_rate=learning_rate), metrics=['accuracy'])
    print(model.summary())
    return model

方案三：改用函数式API定义模型 #

函数式API会明确定义输入输出，从根源避免未构建问题：

def create_model(embed_dim=16, hidden_unit=16, dropout_rate=0.2, optimizers=Adam, learning_rate=0.001):
    inputs = Input(shape=(X_train.shape[1],))
    x = Embedding(input_dim=max_features, output_dim=embed_dim)(inputs)
    x = LSTM(units=hidden_unit, activation='tanh')(x)
    x = Dropout(dropout_rate)(x)
    outputs = Dense(units=3, activation='softmax')(x)
    model = Model(inputs=inputs, outputs=outputs)
    model.compile(loss='sparse_categorical_crossentropy', optimizer=optimizers(learning_rate=learning_rate), metrics=['accuracy'])
    print(model.summary())
    return model

• 确保max_features是已提前定义的有效变量，最好也将其作为参数传入create_model，避免依赖全局变量的潜在问题。
• 同步升级Scikeras到最新版本以兼容Keras 3.x：pip install --upgrade scikeras

内容的提问来源于stack exchange，提问作者Faisal Syahruddin